Czym jest odchylenie standardowe? Definicja, wzór i przykłady

Czym jest odchylenie standardowe?

Odchylenie standardowe to miara statystyczna, która określa wielkość zmienności lub rozproszenia w zbiorze wartości danych. Niskie odchylenie standardowe oznacza, że punkty danych są zazwyczaj blisko średniej (wartości oczekiwanej) zbioru, podczas gdy wysokie odchylenie standardowe wskazuje, że punkty danych są rozproszone na szerszym zakresie wartości. Oznaczane grecką literą σ (sigma) dla populacji oraz s dla prób, jest jednym z najbardziej podstawowych pojęć w statystyce opisowej.

Podstawowa definicja

Odchylenie standardowe mierzy typową odległość każdego punktu danych od średniej. Mówi Ci, średnio rzecz biorąc, jak bardzo Twoje dane odchylają się od środka.

Odchylenie standardowe populacji a próby

Zanim obliczysz odchylenie standardowe, musisz ustalić, czy Twoje dane reprezentują całą populację, czy próbę populacji. Populacja obejmuje wszystkich członków określonej grupy, natomiast próba jest reprezentatywnym podzbiorem tej grupy. Obliczanie odchylenia standardowego dla próby wymaga korekty matematycznej — użycia n - 1 (stopnie swobody, czyli df) zamiast N — aby upewnić się, że wynik jest estymatorem nieobciążonym wariancji populacji.

Odchylenie standardowe populacji

Stosowane, gdy masz dane dla całej grupy. Oznaczane jako σ. Mianownik we wzorze na wariancję to N (całkowity rozmiar populacji).

Odchylenie standardowe próby

Stosowane, gdy masz podzbiór grupy. Oznaczane jako s. Mianownik we wzorze na wariancję to n - 1 (liczebność próby minus jeden) w celu skorygowania obciążenia.

Wyjaśnienie wzoru na odchylenie standardowe

Wzory na odchylenie standardowe opierają się na najpierw obliczeniu wariancji, a następnie wyciągnięciu pierwiastka kwadratowego. Ten krok z pierwiastkiem jest kluczowy, ponieważ przywraca miarę rozproszenia do oryginalnych jednostek danych. Kluczowymi składowymi są xᵢ (każda indywidualna wartość), μ lub x̄ (średnia populacji lub próby) oraz N lub n (całkowita liczba wartości).

Odchylenie standardowe populacji

σ = √[ Σ(xᵢ - μ)² / N ]

Odchylenie standardowe próby

s = √[ Σ(xᵢ - x̄)² / (n - 1) ]

Przykład obliczeń krok po kroku

Obliczmy odchylenie standardowe próby dla małego zbioru danych z wynikami testów: [4, 8, 6, 5, 3, 2, 8, 9, 2, 5]. Postępowanie zgodnie ze wzorem krok po kroku ukazuje, jak wariancja narasta, zanim wyciągniemy ostateczny pierwiastek kwadratowy.

Oblicz średnią (x̄)

Zsumuj wszystkie wartości i podziel przez ich liczbę: (4+8+6+5+3+2+8+9+2+5) / 10 = 52 / 10 = 5.2

Odejmij średnią i podnieś wynik do kwadratu

Dla każdej wartości znajdź kwadrat różnicy: (4-5.2)² = 1.44, (8-5.2)² = 7.84, (6-5.2)² = 0.64, itd.

Zsumuj kwadraty różnic

Dodaj do siebie wszystkie wyniki podniesione do kwadratu: 1.44 + 7.84 + 0.64 + 0.04 + 4.84 + 10.24 + 7.84 + 14.44 + 10.24 + 0.04 = 57.6

Podziel przez n - 1 (stopnie swobody)

Podziel sumę przez liczebność próby minus jeden: 57.6 / (10 - 1) = 57.6 / 9 = 6.4. To jest wariancja próby (σ²).

Wyciągnij pierwiastek kwadratowy

Oblicz pierwiastek kwadratowy z wariancji: √6.4 ≈ 2.53. Odchylenie standardowe próby wynosi 2.53.

Obliczanie odchylenia standardowego w Pythonie

Ręczne obliczanie odchylenia standardowego jest podatne na błędy, zwłaszcza przy dużych zbiorach danych. W praktyce statystycy i analitycy danych używają języków programowania takich jak Python, aby obliczać je natychmiast za pomocą wbudowanych bibliotek.

python

import statistics

data = [4, 8, 6, 5, 3, 2, 8, 9, 2, 5]

# Oblicz odchylenie standardowe próby (domyślnie)
sample_sd = statistics.stdev(data)
print(f"Sample SD: {sample_sd:.2f}")

# Oblicz odchylenie standardowe populacji
pop_sd = statistics.pstdev(data)
print(f"Population SD: {pop_sd:.2f}")

Reguła empiryczna a odchylenie standardowe

Gdy dane mają rozkład normalny (krzywa dzwonowa), odchylenie standardowe staje się niezwykle predykcyjne. Reguła empiryczna, znana również jako reguła 68-95-99.7, mówi, że niemal wszystkie dane mieszczą się w trzech odchyleniach standardowych od średniej. Pozwala to analitykom na szybkie identyfikowanie wartości odstających i zrozumienie prawdopodobieństwa wystąpienia konkretnej obserwacji.

Przedział od średniej	Procent danych	Zastosowanie
±1σ	68.27%	Identyfikacja typowych, codziennych wartości
±2σ	95.45%	Wyznaczanie przedziałów ufności
±3σ	99.73%	Wykrywanie ekstremalnych wartości odstających

Odchylenie standardowe a wariancja

Wariancja i odchylenie standardowe to ściśle powiązane miary rozproszenia. Wariancja (σ² lub s²) to średnia kwadratów różnic od średniej, podczas gdy odchylenie standardowe to pierwiastek kwadratowy z wariancji. Ponieważ wariancja jest wyrażona w jednostkach kwadratowych (np. złote kwadratowe, centymetry kwadratowe), może być trudna do zinterpretowania w kontekście oryginalnych danych. Odchylenie standardowe rozwiązuje ten problem, przeliczając miarę z powrotem na oryginalne jednostki.

Raportowanie danych

Zawsze podawaj odchylenie standardowe obok średniej, opisując swoje dane. Ponieważ odchylenie standardowe jest w tych samych jednostkach co średnia (np. złote, centymetry, kilogramy), zapewnia intuicywną miarę rozproszenia, którą Twoi odbiorcy od razu zrozumieją.

Częste pułapki, których należy unikać

Choć odchylenie standardowe to potężne narzędzie, bywa często nadużywane. Błędne stosowanie wzorów lub niezrozumienie tego, co reprezentuje wartość, może prowadzić do wadliwej analizy danych i błędnych wniosków.

Używanie wzoru dla populacji w przypadku próby: Zapomnienie o użyciu n - 1 dla prób sztucznie zmniejsza obliczone rozproszenie, niedoszacowując prawdziwej wariancji populacji.
Stosowanie odchylenia standardowego w rozkładach innych niż normalne: Reguła empiryczna ma zastosowanie tylko do rozkładów normalnych. W przypadku silnie asymetrycznych danych odchylenie standardowe może nie odzwierciedlać dokładnie rozproszenia.
Mylenie odchylenia standardowego z błędem standardowym: Błąd standardowy mierzy precyzję estymacji średniej z próby, podczas gdy odchylenie standardowe mierzy rozproszenie samych danych bazowych.

Uważaj na wartości odstające

Odchylenie standardowe jest bardzo wrażliwe na ekstremalne wartości odstające. Ponieważ we wzorze różnice od średniej podnosi się do kwadratu, pojedynczy ogromny element odstający może nieproporcjonalnie zawyżyć odchylenie standardowe, sprawiając, że dane wydają się bardziej zmienne, niż są w rzeczywistości.

Sources

References and further authoritative reading used in preparing this article.

← Centrum Nauki

Czym jest odchylenie standardowe? Definicja, wzór i przykłady